論文の概要: Data-Driven Prediction of Maternal Nutritional Status in Ethiopia Using Ensemble Machine Learning Models

• arxiv url: http://arxiv.org/abs/2509.14945v1
• Date: Thu, 18 Sep 2025 13:31:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.23895
• Title: Data-Driven Prediction of Maternal Nutritional Status in Ethiopia Using Ensemble Machine Learning Models
• Title（参考訳）: エンサンブル機械学習モデルを用いたエチオピアの母体栄養状態のデータ駆動予測
• Authors: Amsalu Tessema, Tizazu Bayih, Kassahun Azezew, Ayenew Kassie,
• Abstract要約: 妊婦の栄養失調はエチオピアの主要な公衆衛生問題である。 従来の統計学的アプローチでは、栄養状態の複雑な多次元決定因子を捉えることができない。 本研究では,アンサンブル機械学習を用いた予測モデルを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Malnutrition among pregnant women is a major public health challenge in Ethiopia, increasing the risk of adverse maternal and neonatal outcomes. Traditional statistical approaches often fail to capture the complex and multidimensional determinants of nutritional status. This study develops a predictive model using ensemble machine learning techniques, leveraging data from the Ethiopian Demographic and Health Survey (2005-2020), comprising 18,108 records with 30 socio-demographic and health attributes. Data preprocessing included handling missing values, normalization, and balancing with SMOTE, followed by feature selection to identify key predictors. Several supervised ensemble algorithms including XGBoost, Random Forest, CatBoost, and AdaBoost were applied to classify nutritional status. Among them, the Random Forest model achieved the best performance, classifying women into four categories (normal, moderate malnutrition, severe malnutrition, and overnutrition) with 97.87% accuracy, 97.88% precision, 97.87% recall, 97.87% F1-score, and 99.86% ROC AUC. These findings demonstrate the effectiveness of ensemble learning in capturing hidden patterns from complex datasets and provide timely insights for early detection of nutritional risks. The results offer practical implications for healthcare providers, policymakers, and researchers, supporting data-driven strategies to improve maternal nutrition and health outcomes in Ethiopia.
• Abstract（参考訳）: 妊婦の栄養失調はエチオピアにおける公衆衛生上の大きな課題であり、母体および新生児の悪影響のリスクを増大させる。 伝統的な統計学的アプローチは、しばしば栄養状態の複雑な多次元決定因子を捉えるのに失敗する。 本研究では,エチオピア・デモグラフィック・ヘルス・サーベイ(2005-2020)のデータを活用する,アンサンブル機械学習技術を用いた予測モデルを構築した。 データ前処理には、欠落した値の処理、正規化、SMOTEとのバランシング、およびキー予測子を特定する機能選択が含まれていた。 栄養状態の分類には、XGBoost、Random Forest、CatBoost、AdaBoostなどの教師付きアンサンブルアルゴリズムが適用された。 ランダムフォレストモデルでは、女性を97.87%の精度、97.88%の精度、97.87%のリコール、97.87%のF1スコア、99.86%のROC AUCの4つのカテゴリーに分類した。 これらの結果は、複雑なデータセットから隠れパターンを捕捉し、栄養リスクを早期に検出するためのタイムリーな洞察を与えるために、アンサンブル学習の有効性を示す。 この結果は、医療提供者、政策立案者、研究者に実践的な意味を与え、エチオピアの母体栄養と健康改善のためのデータ駆動戦略を支援している。

関連論文リスト

• Advancing Food Nutrition Estimation via Visual-Ingredient Feature Fusion [69.84988999191343]
  我々はファストフード(FastFood)について紹介する。ファストフード(FastFood)は、908のファストフードカテゴリーに84,446のイメージを持つデータセットで、成分や栄養のアノテーションが特徴である。 栄養推定の精度を高めるために,新しいモデル非依存型ビジュアル・イングレディエント・フィーチャー・フュージョン (VIF$2$) 法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T17:01:21Z)
• Predicting Fetal Birthweight from High Dimensional Data using Advanced Machine Learning [1.489994236178479]
  出生体重は新生児の健康の基本的な指標であり、医療介入や長期の発達リスクと密接に関連している。 伝統的な予測モデルは、しばしば限られた特徴選択と不完全なデータセットによって制約され、複雑な母体と胎児の相互作用を見渡すのに苦労する。 本研究は,先進的な計算戦略を統合した構造化手法を用いて,これらの制約に対処するための機械学習について検討する。
  論文  参考訳（メタデータ） (2025-02-20T05:17:39Z)
• NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
  自己申告法はしばしば不正確であり、重大な偏見に悩まされる。 近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。 本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-05-13T14:56:55Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Unveiling the Unborn: Advancing Fetal Health Classification through Machine Learning [0.0]
  本研究では,胎児の健康分類のための新しい機械学習手法を提案する。 提案したモデルでは、テストセットで98.31%の精度が得られる。 複数のデータポイントを組み込むことで、我々のモデルはより包括的で信頼性の高い評価を提供する。
  論文  参考訳（メタデータ） (2023-09-30T22:02:51Z)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。 最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。 我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。 また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
  論文  参考訳（メタデータ） (2023-09-14T13:29:41Z)
• DeepHealthNet: Adolescent Obesity Prediction System Based on a Deep Learning Framework [27.82565790353953]
  小児および青年期の肥満率は、肥満が慢性疾患や長期の健康リスクと関連しているため、世界的な懸念である。 本研究は,肥満関連健康問題の早期発見と予防の重要性を強調した。 肥満率予測のための堅牢なアルゴリズムを開発するためには、身長、体重、腰回り、カロリー摂取量、身体活動量、その他の健康情報などの要因を考慮する必要がある。
  論文  参考訳（メタデータ） (2023-08-28T15:40:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。